LAPORAN PRAKTIKUM VI

Praktikum Pengolahan Sinyal Digital

“ Transformasi Domain Frekuensi ke Waktu dan Fast Fourier Transform “

Oleh

Nama : Fani Andika Sukma

NIM : 1757301014
Kelas : TI – 3B
Dosen Pembimbing : Muhammad Arhami S.Si., M.Kom
NIP : 19741029 200003 1 00

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNOLOGI INFORMASI DAN KOMUNIKASI
POLITEKNIK NEGERI LHOKSEUMAWE
2019/2020
 LEMBARAN PENGESAHAN

No. Praktikum : 07/PPSD/TI/2019

Nama Praktikum : Prak. Pengolahan Sinyal Digital
Judul Praktikum : Transformasi Domain Frekuensi
ke Waktu dan Fast Fourier
Transform
Tanggal Praktikum : 19 November 2019
Tanggal Penyerahan : 26 November 2019
Nama Praktikan : Fani Andika Sukma
NIM/ Kelas : 1757301014/ TI-3B
Nilai :

Buket Rata, 26 November 2019

Muhammad Arhami S.Si., M.Kom

NIP. 19741029 200003 1 00

ii
 DAFTAR ISI

LEMBAR PENGESAHAN ................................................................................ii

KATA PENGANTAR .........................................................................................iii
DAFTAR ISI .......................................................................................................iv
BAB I PENDAHULUAN
1.1 Latar Belakang .......................................................................................... 1

BAB II TINJAUAN PUSTAKA

2.1 Transformasi Fourier, DFT dan FFT.......................................................... 3

BAB III LANGKAH-LANGKAH PERCOBAAN

3.1 Peralatan ..................................................................................................... 7
3.2 Langkah Percobaan .................................................................................... 8
3.2.1 Konvolusi Sinyal Bernoise dengan Raise Cosine ............................ 8
3.2.2 Fenomena Gibb ................................................................................ 9
3.2.3 Pengamatan Frekuensi Pada Sinyal Tunggal ................................... 9
3.2.4 Pengamatan Frekuensi Pada Kombinasi 2 Sinyal............................. 9
3.2.5 Pengamatan Frekuensi Pada Kombinasi 4 Sinyal............................. 9
3.2.6 Pengamatan Frekuensi Pada Kombinasi 6 Sinyal............................. 10

BAB IV PEMBAHASAN HASIL PRAKTIKUM

4.1 Hasil Proses Konversi Sederhana Pada Sinyal Dasar ................................ 11
4.2 Fenomena Gibb .......................................................................................... 16
4.3 Pengamatan Frekuensi Pada Sinyal Tunggal ............................................. 17
4.4 Pengamatan Frekuensi Pada Kombinasi 2 Sinyal....................................... 20
4.5 Pengamatan Frekuensi Pada Kombinasi 4 Sinyal....................................... 22
4.6 Pengamatan Frekuensi Pada Kombinasi 6 Sinyal....................................... 23

iii
BAB V SIMPULAN DAN SARAN
5.1 Kesimpulan................................................................................................. 26
5.2 Saran........................................................................................................... 26
REFERENSI........................................................................................................ 27

iv
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Proses penting dalam Digital Signal Processing (DSP) adalah menganalisis
suatu sinyal input maupun output untuk mengetahui karakteristik sistem fisis
tertentu. Proses analisis dan sintesis dalam domain waktu memerlukan analisis
cukup panjang dengan melibatkan turunan dari fungsi, yang dapat menimbulkan
ketidaktelitian hasil analisis. Analisis dan sintesis sinyal akan lebih mudah
dilakukan pada domain frekuensi, karena besaran yang paling menentukan suatu
sinyal adalah frekuensi. Oleh karena itu, untuk dapat bekerja pada domain
frekuensi dibutuhkan suatu formulasi yang tepat sehingga proses manipulasi
sinyal sesuai dengan kenyataan.
Salah satu formulasi yang ampuh untuk proses pengolahan sinyal adalah
menggunakan Discrete Fourier Transform (DFT). Prinsip DFT adalah
mentransformasikan (alih bentuk) sinyal yang semula analog menjadi diskret
dalam domain waktu, dan kemudian diubah ke dalam domain frekuensi. Hal ini
dilakukan dengan mengalikan sinyal diskret dengan suatu fungsi kernel.
Algoritma lain yang lebih cepat adalah Fast Fourier Transform (FFT).
Prinsip kerja FFT adalah membagi sinyal hasil penyamplingan menjadi beberapa
bagian yang kemudian masing-masing bagian diselesaikan dengan algoritma yang
sama dan hasilnya dikumpulkan kembali. Ada tiga kelas FFT yang umum
digunakan di dalam suatu software DSP yaitu Decimation in Time (DIT),
Decimation in Frequency (DIF) dan Split Radix. Ide ketiga jenis FFT tersebut
adalah proses iterasi sequence data dilakukan secara berbeda dan memanfaatkan
fungsi kernel yang memiliki sifat yang simetris pada suatu nilai tertentu dalam
satu periode suatu sinyal. Jenis lain FFT yang sudah digunakan adalah paralel FFT
dimana sequence data dikerjakan dengan menggunakan parallel computing
sehingga proses transformasi akan lebih cepat.

Hingga saat ini, penggunaan FFT pada beberapa software seperti

MATLAB 6.51 dan Sound Forge 6.02 masih memiliki keterbatasan resolusi yaitu
sebesar 1 Hz. Resolusi dapat diartikan sebagai daya pisah atau sensitifitas dari
suatu alat ukur dalam memperoleh hasil ukur yang terbaik sehingga dapat

1
membedakan perubahan terkecil dari besaran fisis. DFT dan FFT memiliki
resolusi sebesar fs/N yang mana fs adalah sampling rate (dalam 1 detik diambil
sebanyak fs data) dan N adalah banyaknya data hasil penyamplingan. Umumnya
keterbatasan resolusi ini diatasi dengan menggunakan fungsi windows. Namun
demikian sinyal hasil treatment ini belum sesuai dengan kenyataan atau frekuensi
sesungguhnya yang dibawa dan tergantung pada pemilihan jenis fungsi windows.
Oleh karena itu, sangat penting menyusun persamaan DFT dan FFT
dengan resolusi yang lebih tinggi dan kemudian mengimplementasikan persamaan
tersebut ke dalam suatu program.

BAB II
TINJAUAN PUSTAKA

2.1. Transformasi Fourier, DFT dan FFT

a) Transformasi Fourier
Transformasi Fourier didefinisikan sebagai :

2
 Persamaan (1) digunakan untuk mentransformasikan sinyal dari domain
waktu ke dalam domain frekuensi. Dengan keterbatasan biaya eksekusi pada
komputer, maka persamaan (1),[5] khususnya bagian real, didekati dengan

dengan m dan n adalah bilangan bulat.

Dalam domain waktu periode suatu sinyal dinyatakan sebagai T = NΔt,
sedangkan pada domain frekuensi Nffs=Δ dengan fΔmenyatakan interval antar
frekuensi dan fNtfsΔ=Δ=1.[1] Dengan demikian, dalam persamaan (2) Nft1=ΔΔ,
yang merupakan penghubung antara domain waktu dengan domain frekuensi.
Bila jumlah data lebih kecil dari fs maka frekuensi yang dihasilkan tidak presisi.
Disisi lain fs haruslah ≥2fmaksimum untuk menghindari aliasing frekuensi di
dekat frekuensi yang dicari. Aliasing merupakan fenomena munculnya frekuensi
yang sama dari hasil transformasi yang mana kita tidak bisa membedakan antara
frekuensi yang asli dengan frekuensi bayangan. [2]
Pada umumnya, transformasi Fourier menggunakan alat yang disebut
real-time spectrum analyzer yang telah terintegrasi dalam bentuk chip untuk
menghitung sinyal diskret dalam domain waktu yang berasal dari microphone.
Untuk dapat menganalisis spektrum frekuensi, di dalam prosessor DSP disusun
program Discrete Fourier Transform (DFT) [3].

b) Discrete Fourier Transform (DFT)

Discrete Fourier Transform (DFT) didefinisikan sebagai

3
 Persamaan ini menyatakan bahwa DFT merupakan metode yang berguna
dalam menentukan amplitudo dan komponen-komponen frekuensi harmonik ke-m
dari suatu sinyal periodik atau merupakan koefisien-koefisien deret Fourier.[6]

c) Fast Fourier Transform (FFT)

Berawal dari DFT-N data,

Persamaan (7) dan (8) merupakan FFT radix-2 Decimation in Time (DIT)
yang mana sequence data dipilah menjadi dua bagian menjadi genap dan ganjil
dan menggambarkan gabungan dua DFT N/2 data. Penggunaan sifat periodik
dari fungsi kernel membuat perhitungan menjadi lebih efisien karena cukup
mengganti tanda operasi menjadi minus. Secara sederhana persamaan (7) dan (8)
digambarkan menggunakan diagram kupu-kupu (butterfly diagram) [9] yaitu:

Gambar 2.1. Diagram kupu-kupu (butterfly diagram) FFT Radix-2 DIT

(Decimation in Time). (Dikutip dari Li Tan, Digital Signal Processing, 2008: 129).

4
Selanjutnya akan dirumuskan FFT radix-4, dengan cara DFT-N data dibagi
menjadi empat bagian sebagai berikut:

Jika kemudian indeks domain frekuensi dibagi menjadi empat bagian dengan m =
0, 1, 2, ...N/4-1 maka persamaan (10) menjadi

Dengan cara yang sama, kelas Radix-DIT yang lebih tinggi dapat dirumuskan
dengan cara sebagai berikut yaitu diawali dengan DFT N-data :

5
 BAB III
LANGKAH – LANGKAH PERCOBAAN

3.1 Peralatan
 Sistem Operasi Windows dan Perangkat Lunak Matlab yang dilengkapi
dengan tool box DSP

3.2 Langkah Percobaan

3.2.1 Proses Konversi Sederhana Pada Sinyal Dasar
1. Kode program pembangkitan sinyal sinus dalam domain
waktu dan domain frekuensi.

clc
t=0:.001:2;
x_t=sin(2*pi*t);
figure(1);
plot(x_t);axis([0 2010 -1.2 1.2])
X_F=fft(x_t);
figure(2);
plot(abs(X_F));axis([-100 2100 -10 1100])

2. Kode program mengkonversikan kembali dari domain

frekuensi ke dalam domain waktu.

x_tt=ifft(X_F);

6
 figure(3);
plot(x_tt);axis([0 2010 -1.2 1.2])

3. Kode program pembangkitan sinyal persegi dalam domain waktu diskrit

dan domain frekuensi.

x=[1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0];
stem(x)
figure(1);
stem(x);axis([0 20 -.5 1.5])
Xf=fft(x);figure(2);
stem(Xf)
stem(abs(Xf));axis([0 20 -.5 5.5])
figure(3);xtt=ifft(Xf);
stem(xtt);axis([0 20 -.5 1.5])

4. Kode program mengkonversikan kembali dari domain

frekuensi ke dalam domain waktu.

figure(4);
xtt=ifft(Xf);
stem(xtt);axis([0 20 -.5 1.5])

5. Kode program untuk pembangkitan sinyal persegi

clc
Fs=10000;
t = 0:1/Fs:.0625;
y = square(2*pi*30*t);
figure(1);
plot(t,y);axis([0 0.07 -1.5 1.5])
xlabel('(a) Sinyal input kotak');
Yf = fft(y);
Yf_dB = 20*log10(abs(Yf));
figure(2)
f=1:(length(Yf)/2);
Yf_dBx=Yf_dB(1:length(Yf)/2);
plot(0.5*Fs*(f/length(Yf)),Yf_dBx);
xlabel('(b) Konversi ke domain frekuensi');

6. Kode program konversi ke domain waktu.

figure(3)
ytt=ifft(Yf);
plot(t,ytt);axis([0 0.07 -1.5 1.5])
xlabel('(c) Hasil pengembalian ke domain waktu');

3.2.2 Fenomena Gibb

clc;
clear;
t=3:6/1000:3;
N=2;

7
 input('Jumlah sinyal: ');
c0=0.5;
w0=pi;
xN=c0*ones(1,length(t));
for n=1:2:N
theta=((-1)^((n-1)/2)-1)*pi/2;
xN=xN + 2/n/pi*cos(n*w0*t+theta);
end
plot(t,xN)
xlabel('waktu')
ylabel('x(t)')

3.2.3 Pengamatan Frekuensi Pada Sinyal Tunggal

1. Kode program sinyal sinus yang memiliki frekuensi f = 5 Hz, dan
amplitudo 1 Volt.

Fs=100; t=(1:100)/Fs; f=5;

s=sin(2*pi*f*t);
subplot(2,1,1)
plot(t,s)
xlabel('time')

S=fft(s,512);
w=(0:255)/256*(Fs/2);
subplot(2,1,2)
plot(w,abs(S(1:256)))
xlabel('frequency')

3.2.4 Pengamatan Frekuensi Pada Kombinasi 2 Sinyal

1. Kode Program membangkitkan 2 sinyal sinus dengan frekuensi f1
dan f2

Fs=100; t=(1:400)/Fs; f1=1;

s1=(2/pi)*sin(2*pi*f1*t); f2=3;
s2=(2/3/pi)*sin(2*pi*f2*t); s=s1+s2;
subplot(2,1,1)
plot(t,s)
xlabel('time')
S=fft(s,512);
w=(0:255)/256*(Fs/2);
subplot(2,1,2)
plot(w,abs(S(1:256)))
xlabel('frequency')

3.2.5 Pengamatan Frekuensi Pada Kombinasi 4 Sinyal

1. Kode program membangkitkan 4 sinyal sinus dengan frekuensi f1,
f2, f3, dan f4.

Fs=100; t=(1:400)/Fs; f1=1;

s1=(2/pi)*sin(2*pi*f1*t); f2=3;
s2=(2/3/pi)*sin(2*pi*f2*t); f3=5;
s3=(2/5/pi)*sin(2*pi*f3*t); f4=7;
s4=(2/7/pi)*sin(2*pi*f4*t); s=s1+s2+s3+s4;

8
 subplot(2,1,1)
plot(t,s)
xlabel('time')
S=fft(s,512); w=(0:255)/256*(Fs/2);
subplot(2,1,2)
plot(w,abs(S(1:256)))
xlabel('frequency')

3.2.6 Pengamatan Frekuensi Pada Kombinasi 6 Sinyal

1. Kode program membangkitkan 6 sinyal sinus dengan frekuensi f1, f2,

f3, f4, f5, dan f6.

Fs=100; t=(1:200)/Fs; f1=1;

s1=(2/pi)*sin(2*pi*f1*t); f2=3;
s2=(2/3/pi)*sin(2*pi*f2*t); f3=5;
s3=(2/5/pi)*sin(2*pi*f3*t); f4=7;
s4=(2/7/pi)*sin(2*pi*f4*t); f5=9;
s5=(2/9/pi)*sin(2*pi*f5*t);
f6=11; s6=(2/11/pi)*sin(2*pi*f6*t); s=s1+s2+s3+s4+s5+s6;
subplot(2,1,1)
plot(t,s)
xlabel('time')
S=fft(s,512); w=(0:255)/256*(Fs/2);
subplot(2,1,2)
plot(w,abs(S(1:256)))
xlabel('frequency')

BAB IV

9
 PEMBAHASAN HASIL PRAKTIKUM

4.1 Hasil Proses Konversi Sederhana Pada Sinyal Dasar

Gambar 4.1 Hasil pembangkitan sinyal sinus dalam domain

waktu dan domain frekuensi pada figure 1

Gambar 4.2 Hasil pembangkitan sinyal sinus dalam domain

waktu dan domain frekuensi pada figure 2

Pada percobaan berikut yaitu membangkit sinyal sinus dalam domain

waktu dan frekuensi dengan menggunakan perintah axis dengan nilai array di
dalamnya sehingga menghasilkan sinyal berupa 2 gelombang dan membuatnya
menjadi sejajar.

10
 Gambar 4.3 Hasil konversi kembali dari domain frekuensi ke
dalam
domain waktu pada figure 3.

Pada percobaan berikut yaitu konversi kembali dari domain frekuensi ke

dalam domain waktu sehingga mengembalikan nilai awal dari gelombang sinyal
sebelumnya.

Gambar 4.4 Hasil pembangkitan sinyal persegi dalam domain

waktu diskrit dan domain frekuensi pada figure 1

Gambar 4.5 hasil pembangkitan sinyal persegi dalam domain

waktu diskrit dan domain frekuensi pada figure 2

11
 Gambar 4.6 hasil pembangkitan sinyal persegi dalam domain
waktu diskrit dan domain frekuensi pada figure 3

Pada percobaan berikut yaitu pembangkitan sinyal persegi

dalam domain waktu diskrit dan domain frekuensi.

Gambar 4.7 Hasil konversi kembali dari domain frekuensi ke

dalam
domain waktu pada figure 4.

Pada percobaan berikut yaitu mengkonversi kembali nilai

pembangkitan sinyal persegi dalam domain waktu diskrit dan
domain frekuensi ke awal.

12
 Gambar 4.8 Hasil pembangkitan sinyal persegi figure 1

Gambar 4.9 Hasil pembangkitan sinyal persegi pada figure 2

Pada percobaan berikut yaitu pembangkitan sinyal persegi

dalam domain waktu diskrit dan domain frekuensi.

4.10 hasil konversi pengembalian ke domain waktu.

13
 Pada percobaan berikut yaitu mengkonversi kembali
pembangkitan sinyal persegi dalam domain waktu diskrit dan
domain frekuensi ke awal.

Gambar 4.11 Sinyal sinus yang memiliki frekuensi f = 5 Hz, dan amplitudo 1
Volt.

Pada percobaan berikut ini yaitu memaparkan bentuk sinyal dalam bentuk
gelombang dimana frekuensi sebesar 5Hz dan amplitude 1 Volt.

4.2. Hasil Fenomena Gibb

Gambar 4.12 Fenomena Gibb

Pada percobaan fenomena gibb yaitu pada deret fourier yang banyak
digunakan untuk menghampiri suatu fungsi periodik dan terintegralkan rieman di
selang periodisasinya, tetapi akan muncul masalah ketika fungsinya memiliki titik
diskontinuitas, ketika fouriernya mengalami kelebihan dan kekurangan disekitar
titik diskontinuitasnya. Maka kejadian inilah yang disebut dengan Fenomena

14
Gibbs. Sebagai akibatnya akan muncul ripple – ripple pada sinyal yang dihasilkan
bahwa semakin besar nilai N, maka semakin banyak ripple yang muncul.

4.3. Hasil Pengamatan Frekuensi Pada Sinyal Tunggal

Gambar 4.15 Pengamatan Frekuensi Pada Sinyal Tunggal pada frekuensi

5Hz

Gambar 4.16 Pengamatan Frekuensi Pada Sinyal Tunggal pada frekuensi

10Hz

15
 Gambar 4.17 Pengamatan Frekuensi Pada Sinyal Tunggal pada frekuensi
20Hz

Gambar 4.18 Pengamatan Frekuensi Pada Sinyal Tunggal pada amplitudo 2

volt

Gambar 4.19 Pengamatan Frekuensi Pada Sinyal Tunggal pada amplitudo 4 volt

16
Gambar 4.20 Pengamatan Frekuensi Pada Sinyal Tunggal pada amplitudo 5
volt.

Pada percobaan sinyal tunggal, dimana frekuensi yang digunakan

sebanyak 1 frekuensi saja sehingga sinyal gabungannya hanya berdasarkan
waktu dan frekuensi.dapat diamati diatas bahwa semakin besar nilai A yang
dimasukkan maka frekuensi yang dihasilkan puncak dan lembahnya terpotong.

4.4. Hasil Pengamatan Frekuensi Pada Kombinasi 2 Sinyal

Gambar 4.21 Hasil membangkitkan 2 sinyal sinus dengan frekuensi f1

dan f2 dengan nilai frekuensi 2 = 3.

17
Gambar 4.22 Hasil membangkitkan 2 sinyal sinus dengan frekuensi f1
dan f2 dengan nilai frekuensi 2 = 10.

Gambar 4.23 Hasil membangkitkan 2 sinyal sinus dengan frekuensi f1

dan f2 dengan nilai frekuensi 2 = 25.

Gambar 4.24 Hasil membangkitkan 2 sinyal sinus dengan frekuensi f1

dan f2 dengan nilai frekuensi 2 = 20.

18
 Pada percobaan kombinasi 2 sinyal, sinyal masukan frekuensi yang
digunakan sebanyak dua frekuensi saja sehingga sinyal gabungannya hanya
berdasarkan waktu dan dua frekuensi.dapat diamati juga semakin besar
frekeuensi dan amplitudo,semakin rapat frekuensinya.

4.5. Hasil Pengamatan Frekuensi Pada Kombinasi 4 Sinyal

Gambar 4.25 hasil membangkitkan 4 sinyal sinus dengan frekuensi f1, f2,
f3, dan f4.

Gambar 4.26 Hasil membangkitkan 4 sinyal sinus dengan frekuensi f2 =10,

f3 = 20 dan f4 =30.

Pada percobaan kombinasi 4 sinyal, frekuensi yang digunakan sebanyak

empat frekuensi dan hasilnya dalam domain waktu dan frekuensi. Semakin tinggi
harga frekuensi yang dimasukkan maka semakin banyak juga sinyal diskontinuitas

19
yang dihasilkan, sebagai bukti adalah ripple – ripple yang dihasilkan ketika
frekuensi naik.

4.6. Hasil Pengamatan Frekuensi Pada Kombinasi 6 Sinyal

Gambar 4.27 Hasil membangkitkan 6 sinyal sinus dengan frekuensi f1, f2,
f3, f4, f5, dan f6.

Pada kombinasi 6 sinyal, frekuensi pada kombinasi 6 sinyal, didapatkan

bahwa lebar sinyal yang dihasilkan lebih lebar dibandingkan pada kombinasi 4
sinyal, 2 sinyal dan 1 sinyal, sehingga lebar ripple yang didpatkan juga semakin
lebar mengikuti lebarnya sinyal yang dihasilkan.

20
 BAB V
SIMPULAN DAN SARAN

5.1 Kesimpulan

Fast Fourier Transform adalah suatu algoritma yangdigunakan untuk

merepresentasikan sinyal dalam domain waktu diskrit dan domain frekuensi.
Domain waktu diskrit (Periode) didefinisikan sebagai waktu yang dibutuhkan
sebuah isyarat atau gelombang untuk mencapai suatu gelombang penuh dan dapat
menentukan nilai periodesitasnya.

Domain frekuensi yang diartikan sebagai jumlah gelombang yang terjadi

dalam 1 detik. Frekuensi didefinisikan secara sederhana sebagai kebalikan dari
waktu. Sehingga waktu yang satuannya adalah detik (second) akan menjadi Hertz
(1-per second) hanya akan memiliki tepat satu nilai spektrum. Yang dikenal
dengan spektrum frekuensi. Pengertian frekuensi ini juga berlaku untuk
gelombang monokromatis.

FFT merupakan turunan dari persamaan DFT dimana jumlah perhitungan

digital pada DFT dapat dikurangi secara significant sehingga dengan adanya
penemuan FFT maka perhitungan digital terhadap spektrum-spektrum frekuensi
dapat diwujudkan secara sederhana dalam implementasinya.

5.2 Saran

Diharapkan sebelum melakukan praktik kerja menggunakan MATLAB,

mahasiswa terlebih dahulu mengetahui bagian-bagian yang terdapat pada
MATLAB. Selain itu, mahasiswa juga harus dapat mengatasi masalah yang terjadi
ketika bekerja menggunakan MATLAB, seperti error ketika salah memasukkan
rumus pada MATLAB.

REFERENSI

21
Budiyanto, Setiyo.,
2013., Telekomunikasi
analog dan digital.
Modul 1 – Sinyal
dan Spektrum – Deret
Fourier. Pusat
Pengembangan Bahan
Ajar Universitas
Mercu Buana.
2. Febriani, Yeza.,
2013., Jurnal Fisika.
Analisis Transformasi
Fourier dan
Transformasi Wavelet
Untuk Mengetahui
Periode Curah Hujan
Di Kabupaten

22
Rokan Hulu Provinsi
Riau. Universitas Pasir
Pengaraian Riau, Vol. 1,
No. 1.
3. Kreyszig, E.,2006.,
Advanced Engineering
Mathematics (9th
Edition)., United
States: John Wiley &
Sons, Inc.
4. La Dini, Budiani.,
2009., Penentuan
Periode Curah Hujan
Kabupaten Manokwari
Menggunakan
Transformasi Fourier
dan Wavelet. Skripsi.
Jurusan Fisika FMIPA

23
Universitas Negeri
Papua Manokwari.
5. Mathews, J.H. &
K.D. Fink., 1999.,
Numerical Methods
Using Matlab Third
Edition. Prentice Hall,
Upper Saddle River, NJ
07458.
Budiyanto, Setiyo.,
2013., Telekomunikasi
analog dan digital.
Modul 1 – Sinyal
dan Spektrum – Deret
Fourier. Pusat
Pengembangan Bahan
Ajar Universitas
Mercu Buana.

24
2. Febriani, Yeza.,
2013., Jurnal Fisika.
Analisis Transformasi
Fourier dan
Transformasi Wavelet
Untuk Mengetahui
Periode Curah Hujan
Di Kabupaten
Rokan Hulu Provinsi
Riau. Universitas Pasir
Pengaraian Riau, Vol. 1,
No. 1.
3. Kreyszig, E.,2006.,
Advanced Engineering
Mathematics (9th
Edition)., United
States: John Wiley &
Sons, Inc.

25
4. La Dini, Budiani.,
2009., Penentuan
Periode Curah Hujan
Kabupaten Manokwari
Menggunakan
Transformasi Fourier
dan Wavelet. Skripsi.
Jurusan Fisika FMIPA
Universitas Negeri
Papua Manokwari.
5. Mathews, J.H. &
K.D. Fink., 1999.,
Numerical Methods
Using Matlab Third
Edition. Prentice Hall,
Upper Saddle River, NJ
07458.
[1] Budiyanto, Setiyo., 2013., Telekomunikasi analog dan digital. Modul 1 –
Sinyal dan Spektrum – Deret Fourier. Pusat Pengembangan Bahan Ajar
Universitas Mercu Buana.

26
[2] Couch II, Leon.W., Digital and Analog CommunicationSystems Prentice-
Hall International, Inc., A Simon &Schuster Company, Upper Saddle
River, New Jersey,1997

[3] Febriani, Yeza., 2013., Jurnal Fisika. Analisis Transformasi Fourier dan
Transformasi Wavelet Untuk Mengetahui Periode Curah Hujan Di
Kabupaten Rokan Hulu Provinsi Riau. Universitas Pasir Pengaraian Riau,
Vol. 1, No. 1.

[4] Ifeachor, E.C., and Jervis, B.W., Digital SignalProcessing: A Practical

Approach Addison-WesleyPublishing Company Inc., Wokingham,
England, 1993.

[5] Kuc, R., Introduction to Digital Signal Processing, McGraw-Hill Book

Company, Singapore, 1998

[6] Oppenheim, A.V., and Willsky, A.S., Sinyal dan Sistem: Jilid 1, Edisi
Kedua, Prentice Hall Inc., A Simon &Schuster/A Viacom Company, New
Jersey, 1997.

[7] Proakis, J.G., and Manolakis, D.G., Pemrosesan Sinyal Digital: Prinsip,
Algoritma, dan Aplikasi Terjemahan,Prentice Hall Inc., A Simon &
Schuster Company,Upper Saddle River, New Jersey, 1995.

[8] Smith, Winthrop W., and Joanne M. Smith, Handbook of Real-Time Fast
Fourier Transform: Algorithms toProduct Testing, IEEE, Inc., New York,
1995.

[9] Valkenburg, M.E.V., Analisis Jaringan Listrik: EdisiKetiga, Addison-

Wesley Publishing Company Inc.,Wokingham, England, 1993.

27